# 1. 企业 RAG 系统的分层架构，文档解析→分块→嵌入→索引→检索→重排→生成，各层选型与典型方案？ A RAG 只需"向量检索+生成"两层，无需解析与分块 B 向量库选型与数据规模、延迟无关 C 重排是可有可无的，不影响检索质量 D RAG 分层包括解析、分块、嵌入、索引、检索、重排、生成，各层可独立调优 ✓ 正确答案
# 2. 企业文档解析的工程难点，扫描 PDF、表格、双栏、图表、公式的解析准确率与 OCR/VLM 协同？ A 扫描 PDF、表格、双栏、图表、公式需结构化还原，OCR 与 VLM 协同可兼顾成本与准确率 ✓ 正确答案 B 解析只需 OCR 识别文字即可，无需处理结构 C VLM 在所有场景都应该替代 OCR，无需分流 D 解析质量对下游检索无影响
# 3. Hybrid Search（BM25 + 向量）的权重融合与重排序，RRF（Reciprocal Rank Fusion）与 Cross-Encoder Reranker 的工程取舍？ A BM25 与向量检索作用完全相同，无需融合 B Cross-Encoder 比 Bi-Encoder 更快，适合粗召回 C RRF 基于排名位置无参数融合，规避不同检索分数不可比的问题 ✓ 正确答案 D 重排列永远不需要，任何场景都跳过
# 4. RAG 评估体系，检索质量（Recall@K/MRR）、生成质量（Faithfulness/Relevance）、端到端人工评估的分层指标？ A 只需评估生成答案，无需评估检索质量 B 人工评估可以完全被自动指标替代 C Faithfulness 衡量的是答案与用户问题的相关性 D Recall@K/MRR 评估检索，Faithfulness/Relevance 评估生成，配合人工评估形成分层闭环 ✓ 正确答案
# 5. 分块（Chunking）策略如何选择，固定窗口、语义切分、父子分块（Parent-Child）各自的适用场景与召回质量差异，如何用评测数据验证？ A 父子分块用细粒度子块检索、命中后返回父块作上下文，兼顾精准与完整 ✓ 正确答案 B 固定窗口始终优于语义切分和父子分块 C 分块策略与召回质量无关，无需评测 D 块越大越好，语义越完整
# 6. 查询改写与多查询检索，Query Rewriting、HyDE、Multi-Query 在什么场景能提升召回，引入的额外延迟与成本如何控制？ A Multi-Query 生成越多查询越好，无上限 B 这些技术没有额外延迟与成本，可全量使用 C HyDE 生成假设文档的 embedding 检索，可弥合查询与文档的表达差异提升召回 ✓ 正确答案 D 查询改写只降低召回，没有任何收益
# 7. 增量索引与变更追踪，文档更新时如何避免全量重建？实时索引（Kafka→Embedding Worker）的工程实现？ A 文档更新必须全量重建向量库，否则索引不一致 B 通过 CDC/事件捕获变更，Kafka 驱动 Embedding Worker 只更新变化文档的块，避免全量重建 ✓ 正确答案 C 增量更新无法处理文档删除 D 实时索引与消息队列无关
# 8. 多租户 RAG 系统的数据隔离，向量库 namespace、租户级加密、检索过滤的工程边界？ A namespace 隔离、租户级加密与应用层检索过滤需叠加，形成纵深防御 ✓ 正确答案 B 只要向量库有 namespace 就足够，无需其他层 C 所有租户数据可共用同一 namespace，靠过滤即可 D 租户加密与检索过滤无关，二选一即可
# 9. 检索权限与数据安全，向量库的 namespace/partition 过滤、租户级 ACL 与文档级脱敏如何组合，防止越权检索与生成泄露？ A 只需在应用层做 ACL，索引层无需过滤 B 权限粒度统一为文档级即可，无需块级 C 脱敏只影响展示，不影响检索泄露 D namespace/partition 过滤、租户 ACL 与文档级脱敏需组合，形成索引、应用、生成三层纵深防御 ✓ 正确答案
# 10. 引用溯源（Citation/Grounding），如何让回答标注来源片段并支持人工核验，从工程上降低幻觉的扩散？ A 生成后用机制校验引用真实存在，映射到原文片段，并支持人工核验，减少幻觉扩散 ✓ 正确答案 B 引用只需显示编号，无需映射到真实来源 C LLM 生成的引用编号无需校验，必然正确 D 引用溯源只在展示层做，与检索无关
# 11. 知识时效性与一致性，文档更新、删除、版本回滚时索引增量更新与缓存失效如何保证检索结果不过期？ A 文档更新后，索引和缓存都会自动跟着变，无需处理 B 缓存无需失效，靠 TTL 即可完全解决 C 通过事件驱动增量更新索引，并在文档变更时主动失效缓存，用版本号防止新旧覆盖 ✓ 正确答案 D 版本回滚不影响索引，无需重建
# 12. 语义缓存（Semantic Cache）的成本收益，相似度阈值如何设定，缓存命中率与误命中（语义近但答案不同）如何权衡？ A 阈值越低越好，命中率越高越省钱 B 误命中无代价，可任意放宽阈值 C 阈值越高命中率越高 D 阈值决定命中率与误命中的权衡，高风险场景应高阈值或禁用，按场景分级设定 ✓ 正确答案
# 13. 知识库的版本发布与回滚，文档版本化、批量更新审批、检索一致性（索引与源文档同步）的工程实践？ A 文档更新直接覆盖，无需版本化与回滚 B 回滚只需改源文档，索引无需处理 C 发布审批与检索一致性无关 D 文档版本化、批量审批、发布状态机驱动索引与缓存同步，保证发布/回滚检索一致 ✓ 正确答案
# 14. GraphRAG（Microsoft GraphRAG）与传统向量 RAG 的对比，实体关系建模在复杂推理场景的工程价值？ A GraphRAG 完全替代向量 RAG，任何场景都更优 B 实体关系建模无需额外成本 C GraphRAG 用实体关系图谱擅长全局与多跳推理，向量 RAG 擅长局部检索，常混合使用 ✓ 正确答案 D 向量 RAG 也能回答所有全局性问题
# 15. 多轮对话中的 RAG，历史对话参与检索的两种策略（全文拼接 vs 重写为独立查询）的取舍，以及上下文窗口管理？ A 全文拼接总是优于重写为独立查询 B 重写为独立查询用 LLM 消解指代、检索更精准但多一次调用，全文拼接保留上下文但成本高，需按场景取舍 ✓ 正确答案 C 多轮对话历史可无限累积，无需管理 D 历史对话与检索无关，忽略即可
# 16. RAG 评测自动化，离线指标（Recall@K、MRR、Faithfulness、Answer Relevance）与在线指标（用户反馈、会话成功率、采纳率）如何联动形成闭环？ A 离线指标与在线指标各管各的，无需联动 B 只需在线指标，无需离线评测 C 离线指标快速回归定位，在线指标（反馈/成功率/采纳率）最终验证，两者联动形成闭环 ✓ 正确答案 D 离线指标永远准确，可替代在线验证
# 17. RAG 链路的可观测性，检索耗时、命中率、无答案率与引用点击率的监控看板与告警？ A 只需监控端到端延迟，无需看检索与引用指标 B 检索耗时、命中率、无答案率、引用点击率等指标分层监控，异常可下钻定位到具体环节 ✓ 正确答案 C 无答案率与检索质量无关 D 引用点击率无法反映用户体验
